TADPOLE挑战赛：通过众包预测未来数据实现准确的阿尔茨海默病预测
种群与进化
2020-01-27 v1 图像与视频处理
应用统计
摘要
TADPOLE挑战赛比较了各算法在预测有阿尔茨海默病风险个体未来演变方面的性能。TADPOLE挑战赛参与者在阿尔茨海默病神经影像倡议（ADNI）研究的史数据上训练其模型和算法。参与者随后需要对ADNI-3延续参与者的三个关键结果做出预测：临床诊断、ADAS-Cog 13和脑室总体积——然后与未来测量值进行比较。该挑战的亮点在于测试数据在预测时并不存在（其为之后采集），并且它聚焦于通过识别快速进展者来解决临床试验中队列选择这一挑战性问题。TADPOLE的提交阶段开放至2017年11月15日；此后从219名受试者采集了数据直到2019年4月，包含223次临床访视和150次磁共振成像（MRI）扫描，用于评估参与者的预测。33个团队参与，共提交92份预测。没有单一提交在预测所有三个结果上都是最佳的。对于诊断预测，最佳预测（Frog团队）基于梯度提升，获得了多类受试者工作特征曲线下面积（MAUC）0.931；而对于脑室预测，最佳预测（EMC1团队）基于疾病进展建模和样条回归，获得了占颅内总体积（ICV）0.41%的平均绝对误差。对于ADAS-Cog 13，没有预测明显优于在提交截止前提供给参与者的基准混合效应模型（BenchmarkME）。进一步分析有助于理解哪些输入特征和算法最适合阿尔茨海默病预测以及用于临床试验中的患者分层。
引用
@article{arxiv.2001.09016,
title = {TADPOLE Challenge: Accurate Alzheimer's disease prediction through crowdsourced forecasting of future data},
author = {Razvan V. Marinescu and Neil P. Oxtoby and Alexandra L. Young and Esther E. Bron and Arthur W. Toga and Michael W. Weiner and Frederik Barkhof and Nick C. Fox and Polina Golland and Stefan Klein and Daniel C. Alexander},
journal= {arXiv preprint arXiv:2001.09016},
year = {2020}
}
备注
10 pages, 1 figure, 4 tables. arXiv admin note: substantial text overlap with arXiv:1805.03909